本文選題：腦-機(jī)接口　切入點(diǎn)：運(yùn)動(dòng)想象　出處：《哈爾濱工業(yè)大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：運(yùn)動(dòng)想象腦-機(jī)接口技術(shù)不依賴人的外周神經(jīng)和肌肉組織,直接實(shí)現(xiàn)人腦對(duì)外部設(shè)備的控制,它可以幫助有運(yùn)動(dòng)障礙的患者,更好地與外界進(jìn)行信息交流,在軍事、航天、醫(yī)療和虛擬現(xiàn)實(shí)等領(lǐng)域有巨大的應(yīng)用價(jià)值。腦電信號(hào)具有非平穩(wěn)性,而傳統(tǒng)運(yùn)動(dòng)想象技術(shù)在應(yīng)用前需要標(biāo)注大量的訓(xùn)練樣本,并采用多通道采集的方式,這大大限制了其應(yīng)用范圍。本文在傳統(tǒng)腦電信號(hào)處理方法的基礎(chǔ)上,將遷移學(xué)習(xí)的思想應(yīng)用于運(yùn)動(dòng)想象的分類,減少訓(xùn)練樣本和測(cè)試樣本的分布差異,以提高分類準(zhǔn)確率。此外,針對(duì)運(yùn)動(dòng)想象技術(shù)對(duì)運(yùn)算實(shí)時(shí)性要求高的問(wèn)題,研究通道選擇優(yōu)化方法,在保證分類正確率損失有限的條件下,減少分析腦電信號(hào)的通道數(shù)量,以提高運(yùn)動(dòng)想象腦-機(jī)接口技術(shù)的實(shí)時(shí)性。本文具體研究工作如下。基于運(yùn)動(dòng)想象生理基礎(chǔ),研究運(yùn)動(dòng)想象腦電信號(hào)預(yù)處理方法。利用AR模型對(duì)運(yùn)動(dòng)想象腦電信號(hào)頻譜分析,得出信號(hào)有效的頻帶范圍8-30Hz,為濾波器通帶頻率的選擇提供分析依據(jù);并分析公共平均參考法(CAR)空間濾波增加不同思維腦電信號(hào)空間分布差異的優(yōu)勢(shì),為獲得高信噪比的腦電信號(hào)奠定基礎(chǔ)。研究基于小波包變換的特征提取方法,選擇小波包分解后特定子節(jié)點(diǎn)的小波系數(shù),并提取能量特征,利用支持向量機(jī),識(shí)別兩種類型的運(yùn)動(dòng)想象任務(wù),得出平均分類正確率為79.4%。在此基礎(chǔ)上,研究通道選擇的優(yōu)化方法,基于Relief-F算法計(jì)算通道權(quán)重,在對(duì)分類效果影響有限的條件下,減少分析腦電信號(hào)的通道數(shù)量,有助于減少計(jì)算量,提高運(yùn)動(dòng)想象腦-機(jī)接口實(shí)時(shí)性。研究基于最小化MMD的遷移學(xué)習(xí)算法,并將算法應(yīng)用于運(yùn)動(dòng)想象的分類。結(jié)果表明,該方法有助于提高實(shí)驗(yàn)者一段時(shí)間內(nèi)運(yùn)動(dòng)想象的分類正確率,且能夠使一個(gè)實(shí)驗(yàn)者訓(xùn)練的分類模型更加適用于另一個(gè)實(shí)驗(yàn)者的測(cè)試。證明了遷移學(xué)習(xí)算法比傳統(tǒng)的分類方法有更好的適應(yīng)性。結(jié)合以上研究,設(shè)計(jì)基于運(yùn)動(dòng)想象遷移學(xué)習(xí)實(shí)驗(yàn)。針對(duì)真實(shí)的腦電信號(hào)含有的偽跡問(wèn)題,研究小波分析眼電偽跡濾除的方法,并探討遷移學(xué)習(xí)在線實(shí)現(xiàn)方案。結(jié)果表明遷移學(xué)習(xí)應(yīng)用于不同實(shí)驗(yàn)者,相比傳統(tǒng)的分類方法,分類正確率提高了約10%,且提升效果優(yōu)于其對(duì)同一實(shí)驗(yàn)者的應(yīng)用。本文設(shè)計(jì)不但可以進(jìn)行傳統(tǒng)運(yùn)動(dòng)想象離線采集,還可以為在線測(cè)試及遷移學(xué)習(xí)在運(yùn)動(dòng)想象領(lǐng)域的進(jìn)一步研究提供借鑒。
[Abstract]:The brain-computer interface technology does not rely on human peripheral nerve and muscle tissue, and directly realizes the human brain's control of external equipment. It can help patients with motor disorders to exchange information with the outside world better, in military, aerospace, There is great application value in the fields of medical treatment and virtual reality. The EEG signal is non-stationary, but the traditional motion imagination technology needs to mark a large number of training samples before application, and adopt the method of multi-channel acquisition. On the basis of the traditional EEG processing method, this paper applies the idea of transfer learning to the classification of motion imagination to reduce the difference between the distribution of training samples and test samples. In order to improve the classification accuracy, in order to improve the accuracy of classification, aiming at the problem that the motion imagination technology requires high real-time operation, the optimization method of channel selection is studied to reduce the number of channels for analyzing EEG signals under the condition that the loss of classification accuracy is limited. In order to improve the real-time performance of motion imagination brain-computer interface technology, the research work in this paper is as follows. Based on the physiological basis of motion imagination, the preprocessing method of motion imagination EEG signal is studied. The spectrum analysis of motion imagination EEG signal is made by using AR model. The effective frequency band range of the signal is 8-30Hz, which provides an analytical basis for the selection of the passband frequency of the filter, and analyzes the advantages of the common average reference method (CAR) spatial filtering to increase the spatial distribution differences of EEG signals of different thinking. In order to obtain EEG signals with high SNR, this paper studies the feature extraction method based on wavelet packet transform, selects wavelet coefficients of specific sub-nodes after wavelet packet decomposition, extracts energy features, and uses support vector machine (SVM). Based on the recognition of two types of motion imagination tasks, the average classification accuracy is 79.4%. On this basis, the optimization method of channel selection is studied, and the channel weight is calculated based on Relief-F algorithm, under the condition that the influence on classification effect is limited. Reducing the number of channels for analyzing EEG signals is helpful to reduce the computational complexity and improve the real-time performance of the motion imagination brain-computer interface. A migration learning algorithm based on minimized MMD is studied and applied to the classification of motion imagination. This method is helpful to improve the classification accuracy of the motion imagination of the experimenters for a period of time. Moreover, the classification model which can be trained by one experimenter is more suitable for the test of another experimenter. It is proved that the transfer learning algorithm has better adaptability than the traditional classification method. To solve the problem of real EEG artifacts, a wavelet analysis method of Eye-electric artifact filtering is designed. The results show that the transfer learning is applied to different experimenters, compared with the traditional classification method. The classification accuracy rate is increased by about 10%, and the effect is better than its application to the same experimenter. The design of this paper can not only carry on the traditional motion imagination off-line collection, It can also provide reference for the further research of online testing and transfer learning in the field of sports imagination.
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R318;TN911.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前3條

1 劉鐵軍;徐鵬;余茜;堯德中;;運(yùn)動(dòng)想象的腦機(jī)制及其在運(yùn)動(dòng)功能康復(fù)中應(yīng)用的研究進(jìn)展[J];生物化學(xué)與生物物理進(jìn)展;2011年04期

2 陽(yáng)宏;夏斌;謝宏;王聰;肖殿云;;一種用于實(shí)現(xiàn)多命令輸出的運(yùn)動(dòng)想象分組策略[J];廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

3 劉燕;穆振東;;運(yùn)動(dòng)想象機(jī)制研究[J];科技廣場(chǎng);2011年01期

相關(guān)會(huì)議論文 前10條

1 楊遠(yuǎn)濱;王薌斌;;淺談中醫(yī)意念與運(yùn)動(dòng)想象的比較[A];中國(guó)醫(yī)師協(xié)會(huì)第二屆康復(fù)醫(yī)學(xué)論壇、中國(guó)康復(fù)醫(yī)學(xué)會(huì)第四屆青年學(xué)術(shù)會(huì)議、北京康復(fù)醫(yī)學(xué)會(huì)第三屆會(huì)員代表大會(huì)論文集[C];2005年

2 賈子善;;運(yùn)動(dòng)想像的理論與應(yīng)用[A];2008年浙江省物理醫(yī)學(xué)與康復(fù)學(xué)術(shù)年會(huì)暨中樞神經(jīng)功能損傷康復(fù)新進(jìn)展學(xué)習(xí)班論文匯編[C];2008年

3 張爽;周鵬;熊屹;王明時(shí);;運(yùn)動(dòng)想象腦電模式的動(dòng)態(tài)分類[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

4 諸強(qiáng);謝琳;;基于小波分析的運(yùn)動(dòng)想象腦電模式特征提取與分類[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（下冊(cè)）[C];2007年

5 孔萬(wàn)增;張艷娜;胡三清;戴國(guó)駿;張建海;魏大名;;基于運(yùn)動(dòng)想象的中風(fēng)患者肢體康復(fù)實(shí)時(shí)控制系統(tǒng)[A];第一屆全國(guó)神經(jīng)動(dòng)力學(xué)學(xué)術(shù)會(huì)議程序手冊(cè) & 論文摘要集[C];2012年

6 徐海鷹;;運(yùn)動(dòng)想象療法結(jié)合運(yùn)動(dòng)再學(xué)習(xí)方案在腦卒中早期患者上肢功能的應(yīng)用[A];中國(guó)康復(fù)醫(yī)學(xué)會(huì)運(yùn)動(dòng)療法分會(huì)第十一屆全國(guó)康復(fù)學(xué)術(shù)大會(huì)學(xué)術(shù)會(huì)議論文摘要匯編[C];2011年

7 李澤云;王昭君;林金生;盧攀;;運(yùn)動(dòng)想象聯(lián)合強(qiáng)制性運(yùn)動(dòng)療法治療腦卒中偏癱60例臨床觀察[A];中國(guó)康復(fù)醫(yī)學(xué)會(huì)腦血管病專業(yè)委員會(huì)換屆暨第十五次全國(guó)腦血管病康復(fù)學(xué)術(shù)年會(huì)、湖南省康復(fù)醫(yī)學(xué)會(huì)神經(jīng)康復(fù)專業(yè)委員會(huì)2012學(xué)術(shù)年會(huì)論文集[C];2012年

8 王艷;唐強(qiáng);白震民;李娟;;頭穴叢刺與被動(dòng)運(yùn)動(dòng)和運(yùn)動(dòng)想象結(jié)合對(duì)早期腦卒中患者運(yùn)動(dòng)功能的影響[A];中國(guó)康復(fù)醫(yī)學(xué)會(huì)第五屆全國(guó)康復(fù)治療學(xué)術(shù)會(huì)議論文集[C];2006年

9 劉佳;鄧景貴;陶希;宋紅;;運(yùn)動(dòng)想象療法對(duì)老年卒中偏癱患者肢體功能恢復(fù)的影響研究[A];中國(guó)康復(fù)醫(yī)學(xué)會(huì)腦血管病專業(yè)委員會(huì)換屆暨第十五次全國(guó)腦血管病康復(fù)學(xué)術(shù)年會(huì)、湖南省康復(fù)醫(yī)學(xué)會(huì)神經(jīng)康復(fù)專業(yè)委員會(huì)2012學(xué)術(shù)年會(huì)論文集[C];2012年

10 吳華;顧旭東;時(shí)美芳;吳彩虹;朱美紅;金妹;楊京輝;;虛擬現(xiàn)實(shí)技術(shù)結(jié)合運(yùn)動(dòng)想象療法對(duì)腦卒中患者上肢功能恢復(fù)的影響[A];2013浙江省物理醫(yī)學(xué)與康復(fù)學(xué)學(xué)術(shù)年會(huì)暨第八屆浙江省康復(fù)醫(yī)學(xué)發(fā)展論壇論文集[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 張銳;運(yùn)動(dòng)想象腦—機(jī)接口的神經(jīng)機(jī)制與識(shí)別算法研究[D];電子科技大學(xué);2015年

2 單海軍;基于運(yùn)動(dòng)想象的腦機(jī)接口通道選擇算法研究[D];浙江大學(xué);2015年

3 岳敬偉;腦機(jī)協(xié)調(diào)控制理論與關(guān)鍵技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

4 王莉;應(yīng)用腦功能成像技術(shù)研究腦卒中運(yùn)動(dòng)想象療法神經(jīng)康復(fù)機(jī)制[D];重慶大學(xué);2015年

5 張曄;運(yùn)動(dòng)想象療法對(duì)于卒中后偏癱患者腦功能康復(fù)的作用機(jī)制研究[D];第三軍醫(yī)大學(xué);2016年

6 魏慶國(guó);基于運(yùn)動(dòng)想象的腦—機(jī)接口分類算法的研究[D];清華大學(xué);2006年

7 徐舫舟;基于運(yùn)動(dòng)想象的腦機(jī)接口相關(guān)算法研究[D];山東大學(xué);2014年

8 閆靜;基于腦電的腦卒中患者運(yùn)動(dòng)想象認(rèn)知過(guò)程的研究[D];上海交通大學(xué);2012年

9 方永慧;基于運(yùn)動(dòng)想象腦電信號(hào)非線性特性分析的腦—機(jī)接口研究[D];重慶大學(xué);2014年

10 周鵬;基于運(yùn)動(dòng)想象的腦機(jī)接口的研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 牛小辰;康復(fù)運(yùn)動(dòng)中的腦肌電特征分析[D];燕山大學(xué);2015年

2 謝立娟;針灸合并運(yùn)動(dòng)想象療法在腦卒中偏癱患者康復(fù)護(hù)理中的應(yīng)用[D];河北醫(yī)科大學(xué);2015年

3 孫會(huì)文;基于運(yùn)動(dòng)想象腦電的腦機(jī)交互模式識(shí)別方法研究[D];昆明理工大學(xué);2015年

4 戴若夢(mèng);基于深度學(xué)習(xí)的運(yùn)動(dòng)想象腦電分類[D];北京理工大學(xué);2015年

5 郭蘭錦;基于結(jié)構(gòu)MRI的運(yùn)動(dòng)想象BCI機(jī)制研究[D];電子科技大學(xué);2014年

6 翟紅利;基于運(yùn)動(dòng)想象的腦機(jī)接口的數(shù)學(xué)模型與算法研究[D];長(zhǎng)沙理工大學(xué);2014年

7 叢壯;運(yùn)動(dòng)想象結(jié)合音樂(lè)療法在卒中偏癱患者上肢康復(fù)中的應(yīng)用[D];遼寧醫(yī)學(xué)院;2015年

8 康莎莎;多類運(yùn)動(dòng)想象腦電信號(hào)的識(shí)別及其在BCI中的應(yīng)用[D];安徽大學(xué);2016年

9 何青松;基于想象左右手運(yùn)動(dòng)思維腦電識(shí)別分類研究[D];北京交通大學(xué);2016年

10 劉傳偉;運(yùn)動(dòng)想象腦電的特征提取和模式分類算法研究及在線驗(yàn)證[D];昆明理工大學(xué);2016年

，

本文編號(hào)：1606563